專利名稱：一種智能交通監(jiān)控中車輛和行人的目標(biāo)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及一種智能交通監(jiān)控中車輛和行人的檢測方法，對輸入的交通視頻中的異常運(yùn)動目標(biāo)進(jìn)行檢測。
背景技術(shù)：
智能視頻監(jiān)控是在不需要人為干預(yù)的情況下，通過計(jì)算機(jī)對圖像序列進(jìn)行自動分析，實(shí)現(xiàn)對動態(tài)場景中的運(yùn)動目標(biāo)檢測、跟蹤和行為理解等操作，并能夠根據(jù)分析結(jié)果判斷是否發(fā)出報(bào)警。在智能化的視頻交通監(jiān)控系統(tǒng)中，監(jiān)控場景中的行人和車輛的運(yùn)動目標(biāo)是圖像分析、圖像識別及圖像理解的基礎(chǔ)，運(yùn)動目標(biāo)檢測的結(jié)果可用于后續(xù)的目標(biāo)跟蹤和分類，檢測的效果直接影響后續(xù)工作，因此必須檢測出運(yùn)動目標(biāo)的完整信息。傳統(tǒng)的運(yùn)動目標(biāo)檢測主要有光流法、相鄰幀差法、背景減法等，其中，光流法的計(jì)算復(fù)雜，光流稀疏，不利于實(shí)時實(shí)現(xiàn)；相鄰幀差法雖然計(jì)算簡單，但是會產(chǎn)生檢測空洞，且對靜止目標(biāo)不能正確處理；背景減法利用當(dāng)前幀與背景幀相減來檢測運(yùn)動目標(biāo)，背景減法的關(guān)鍵是背景模型的建立，混合高斯背景模型算法因其具有低復(fù)雜度、步驟簡單的特點(diǎn)，因此通常使用混合高斯模型來建立背景模型，但在實(shí)際生活中由于光照、樹葉搖動、水面波光的反射等原因，場景在不停的變化中，目標(biāo)區(qū)域的背景就會不斷的變化，而混合高斯模型容易受到光照等條件變化的影響，對場景變化的適應(yīng)能力不好，進(jìn)而影響運(yùn)動目標(biāo)檢測的靈敏度和正確率。

發(fā)明內(nèi)容
本發(fā)明針對目前智能視頻處理技術(shù)中運(yùn)動目標(biāo)檢測存在的光照比較敏感、虛影現(xiàn)象以及陰影未去除等問題，提出了一種改進(jìn)的運(yùn)動目標(biāo)檢測方法，克服把混合高斯背景模型運(yùn)用到交通智能視頻監(jiān)控時存在的不足之處，對智能交通監(jiān)控中車輛和行人的目標(biāo)進(jìn)行檢測，有效提高運(yùn)動目標(biāo)檢測的靈敏度和正確率。本發(fā)明的技術(shù)方案是依次采用如下步驟(1)通過C⑶攝像機(jī)采集視頻幀，對視頻幀序列進(jìn)行背景模型的初始化，獨(dú)立建立飽和度分量S和亮度分量V的混合高斯背景分量模型，將視頻幀序列中的背景幀的所有像素的亮度分量V值和飽和度分量S值取均值；(2)將視頻幀序列中的當(dāng)前幀跟背景幀相差分，對前景幀進(jìn)行二值化處理后再去除陰影和噪聲并進(jìn)行形態(tài)學(xué)濾波；(3)用更新因子
4hW、更新進(jìn)行形態(tài)學(xué)濾波處理后得到的混合高斯背景模型的飽和度分量S和亮度分量
V的權(quán)值、均值和方差，并對更新后的權(quán)值歸一化；(4)將要進(jìn)行匹配的I時刻運(yùn)動目標(biāo)的
像素點(diǎn)值與更新后的混合高斯背景模型中的每一個分布的Jeffrey值進(jìn)行比較，利用
Jeffrey值判斷運(yùn)動目標(biāo)的像素點(diǎn)Imji是否屬于前景點(diǎn)，若"/=01,1) + (14)^^^,0
小于閾值H =0.7時，則像素點(diǎn)和第^個高斯分布匹配，為前景點(diǎn)；其中，a取值范圍是0 1，Jeffrey 值是
權(quán)利要求
1.一種智能交通監(jiān)控中車輛和行人的目標(biāo)檢測方法，其特征是依次采用如下步驟(1)通過CCD攝像機(jī)采集視頻幀，對視頻幀序列進(jìn)行背景模型的初始化，獨(dú)立建立飽和度分量S和亮度分量V的混合高斯背景分量模型，將視頻幀序列中的背景幀的所有像素的亮度分量V值和飽和度分量S值取均值；(2)將視頻幀序列中的當(dāng)前幀跟背景幀相差分，對前景幀進(jìn)行二值化處理后再去除陰影和噪聲并進(jìn)行形態(tài)學(xué)濾波；(3)用更新因子更新進(jìn)行形態(tài)學(xué)濾波處理后得到的混合高斯背景模型的飽和度分量S和亮度分量V的權(quán)值、均值和方差，并對更新后的權(quán)值歸一化；(4)將要進(jìn)行匹配的 時刻運(yùn)動目標(biāo)的像素點(diǎn)1_值與更新后的混合高斯背景模型中的每一個分布的Jeffrey值進(jìn)行比較，利用Jeffrey值判斷運(yùn)動目標(biāo)的像素點(diǎn) Iuil是否屬于前景點(diǎn)，若"^1)0^) + (1-3)^^0^)小于閾值H =0.7時，則該像素點(diǎn)和第i個高斯分布匹配，為前景點(diǎn)；其中，a取值范圍是(Tl，Jeffrey值是·|-J-J^CZi= -C— - —)2 + ?！閊 + - A)2, /f和一分別是第個像素的均值和方差； 2 CTj I CTi σ；Mi 《iJ^SJiA和JSiC/口)分別是飽和度分量S和亮度分量V的最小Jeffrey值。
2.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其特征是權(quán)值更新 w = ^Z s /,^1~ ；4-0· W+1均值更新=(ι -,方差更新of坊=(1 -勻 ^t-Xry + — ^f ；其中^Uv是I時刻第，個高斯分布的權(quán)重；,J-W是t-i時刻第個高斯分布的權(quán)重；盧為權(quán)值更新率；為更新因子；當(dāng)像素值符合第i個高斯分布時 = ι，反之則 = 0 ； 是￡時刻第i個高斯分布的均值；是t-Ι時刻第f個高斯分布的均值；α 取值范圍為(0，1) ,α = βη(1^ψ 1 -^. -^) , ,β 為權(quán)值更新率，^￠^1 -^ -^)是 時刻的第g個高斯分布，為t-Ι時刻第^個高斯分布的標(biāo)準(zhǔn)差；是￡時刻第i個高斯分布的方差；^tm是t-Ι時刻第個高斯分布的方差。
全文摘要
本發(fā)明公開一種智能交通監(jiān)控中車輛和行人的目標(biāo)檢測方法，對視頻幀序列進(jìn)行背景模型的初始化，獨(dú)立建立飽和度分量和亮度分量的混合高斯背景分量模型并取分量均值；將視頻幀序列中的當(dāng)前幀跟背景幀相差分，對前景幀進(jìn)行二值化處理后再去除陰影和噪聲并進(jìn)行形態(tài)學(xué)濾波；用更新因子更新得到的混合高斯背景模型的分量的權(quán)值、均值和方差；將要進(jìn)行匹配的運(yùn)動目標(biāo)像素點(diǎn)值與更新后的混合高斯背景模型中的每一個分布的Jeffrey值進(jìn)行比較，利用Jeffrey值判斷運(yùn)動目標(biāo)像素點(diǎn)是否屬于前景點(diǎn)；本發(fā)明需對飽和度分量和亮度分量更新相關(guān)參數(shù)，在不影響精度的情況下降低了系統(tǒng)的開銷，能適應(yīng)場景輕微擾動，克服噪聲和環(huán)境光照的影響，具有魯棒性高的特點(diǎn)。
文檔編號G06K9/00GK102332167SQ20111030091
公開日2012年1月25日 申請日期2011年10月9日 優(yōu)先權(quán)日2011年10月9日
發(fā)明者吳朝輝, 宋雪樺, 尹康民, 楊慶慶, 沈廷根, 王利國, 王昌達(dá), 袁昕, 陳景柱 申請人:江蘇大學(xué)